One Signal ไม่เพียงพอ: ทำไม AI แบบ End-to-End จึงเป็นอนาคตของการจัดการความเสี่ยงในห่วงโซ่อุปทาน

ปัญญาประดิษฐ์ได้กลายเป็นเกือบเทียบเท่ากับการเปลี่ยนแปลงในห่วงโซ่อุปทาน องค์กรต่างใช้ AI เพื่อคาดการณ์ความต้องการ ปรับปรุงสินค้าคงคลัง ตรวจสอบการขนส่ง อัตโนมัติการตรวจสอบคุณภาพ จัดประเภทสินค้า และระบุปัญหาการปฏิบัติตามกฎระเบียบ แต่ละแอปพลิเคชันเหล่านี้ให้ผลปรับปรุงที่วัดได้

อย่างไรก็ตามหลายองค์กรยังคงเผชิญกับการหยุดชะงักที่มีค่าใช้จ่ายสูง แม้จะลงทุนอย่างหนักใน AI และสาเหตุก็ง่ายเกินคาด ส่วนใหญ่โครงการ AI มุ่งแก้ปัญหาแยกส่วนแทนที่จะเข้าใจว่าความเสี่ยงพัฒนาขึ้นอย่างไรตลอดวงจรชีวิตของผลิตภัณฑ์

การจัดส่งล่าช้ามักไม่ใช่แค่ปัญหาด้านโลจิสติกส์ การตรวจสอบโรงงานที่ล้มเหลวอาจทำให้เกิดความล่าช้าในการจัดหา ชุดของความบกพร่องคุณภาพเล็กน้อยอาจกลายเป็นการเรียกคืนผลิตภัณฑ์หลายเดือนต่อมา การจัดประเภทสินค้าที่ไม่แม่นยำอาจทำให้ศุลกากรล่าช้าและทำลายฤดูกาลการขายทั้งหมด เหตุการณ์เหล่านี้ดูเหมือนไม่เกี่ยวข้องเมื่อมองผ่านระบบแยกส่วนแต่เมื่อรวมกันแล้วบอกเล่าเรื่องราวที่ใหญ่กว่าอย่างมาก

การพัฒนาต่อไปของ AI ในการจัดการห่วงโซ่อุปทานไม่ได้อยู่ที่การสร้างแอปพลิเคชันอัจฉริยะแต่ละตัว แต่คือการเชื่อมสัญญาณข้ามฟังก์ชันที่เคยแยกจากกันเพื่อระบุความเสี่ยงที่กำลังเกิดขึ้นก่อนที่มันจะกลายเป็นปัญหาทางธุรกิจ

ความเสี่ยงไม่มีอยู่ในซิลโล

ห่วงโซ่อุปทานระดับโลกได้กลายเป็นที่เชื่อมโยงกันมากขึ้นและมีความผันผวนมากกว่าที่เคยเป็นมา. ความตึงเครียดทางภูมิรัฐศาสตร์, การเปลี่ยนแปลงอัตราภาษี, กฎระเบียบด้านสิ่งแวดล้อมที่เปลี่ยนแปลง, การบังคับใช้แรงงานบังคับ, ความเสียหายที่เกี่ยวข้องกับสภาพอากาศ, และระบบนิเวศของผู้จัดหาที่ซับซ้อนเพิ่มขึ้นได้สร้างสภาพแวดล้อมที่องค์กรต้องปรับตัวอย่างต่อเนื่อง. World Economic Forum’s Global Risks Reportตามรายงาน Global Risks Report ของ World Economic Forum, การหยุดชะงักของห่วงโซ่อุปทานยังคงเป็นหนึ่งในความเสี่ยงทางธุรกิจที่สำคัญที่สุดที่องค์กรทั่วโลกต้องเผชิญ. 

ความท้าทายคือบริษัทส่วนใหญ่ยังจัดการความเสี่ยงเหล่านี้ด้วยระบบที่ไม่ได้ออกแบบให้สื่อสารกัน ตัวอย่างเช่น:

• ทีมจัดการวงจรชีวิตผลิตภัณฑ์ดูแลการเปลี่ยนแปลงการออกแบบ
• ทีมจัดหาวิเคราะห์ซัพพลายเออร์
• ทีมคุณภาพติดตามการตรวจสอบ
• ทีมปฏิบัติตามกฎระเบียบตรวจสอบกฎ
• ทีมโลจิสติกส์มุ่งเน้นประสิทธิภาพการขนส่ง

แต่ละฟังก์ชันสร้างข้อมูลที่มีคุณค่า อย่างไรก็ตามข้อมูลเชิงลึกเหล่านั้นมักถูกกักขังอยู่ในแอปพลิเคชันของแต่ละแผนก ทำให้มองเห็นภาพรวมได้ไม่ครบถ้วน

AI สามารถระบุรูปแบบได้เฉพาะในข้อมูลที่เข้าถึงได้ เมื่อข้อมูลยังคงแยกส่วน AI จะมองเห็นการปรับปรุงในระดับท้องถิ่นแทนที่จะเป็นความเสี่ยงระดับองค์กร

คุณค่าจริงของ AI คือการเชื่อมต่อบริบท

การสนทนาปัจจุบันเกี่ยวกับ AI ส่วนใหญ่เน้นที่การอัตโนมัติ แม้ว่าการอัตโนมัติจะสำคัญ AI มีคุณค่ามากกว่าที่จะสร้างบริบท องค์กรขนาดใหญ่มักมีแอปพลิเคชันห่วงโซ่อุปทานหลายสิบตัว แต่ละตัวใช้คำศัพท์ วิธีการให้คะแนน กระบวนการทำงาน และคำนิยามของประสิทธิภาพที่ยอมรับได้ต่างกัน

ผู้ค้าปลีกหนึ่งอาจจัดอัตราการตรวจสอบที่ล้มเหลว 10% ว่าเป็นระดับที่ยอมรับได้สำหรับหมวดหมู่หนึ่ง อีกฝ่ายอาจมองว่าผลลัพธ์เดียวกันนั้นไม่ยอมรับได้ การ์ดคะแนนซัพพลายเออร์หนึ่งอาจให้ความสำคัญกับประสิทธิภาพการส่งมอบ ในขณะที่การ์ดอื่นให้ความสำคัญกับเมตริกความยั่งยืน หากไม่มีการทำให้ข้อมูลเป็นมาตรฐาน AI จะไม่สามารถเปรียบเทียบชุดข้อมูลเหล่านี้ได้อย่างแม่นยำ

ระบบ AI สมัยใหม่ทำหน้าที่เป็นตัวแปลภาษา มากกว่าการทำนายเท่านั้น พวกมันทำให้ข้อมูลที่แตกต่างกันกลายเป็นสัญญาณความเสี่ยงร่วมที่ผู้ตัดสินใจสามารถตีความได้อย่างสอดคล้องกันทั่วซัพพลายเออร์ โรงงาน หมวดหมู่สินค้า และภูมิภาค ความสามารถนี้มีคุณค่าอย่างยิ่งเมื่อองค์กรเข้าซื้อแบรนด์ ทำงานกับพันธมิตรหลายราย หรือรวมข้อมูลจากแพลตฟอร์มซอฟต์แวร์ที่ต่างกัน แทนที่จะให้ผู้ใช้ต้องปรับข้อมูลเมตริกที่ขัดแย้งกันหลายสิบรายการ AI จะสร้างภาษาร่วมสำหรับการประเมินความเสี่ยงการดำเนินงาน

รูปแบบสำคัญกว่ากิจกรรมเดี่ยว

ผู้เชี่ยวชาญด้านห่วงโซ่อุปทานเคยจัดการข้อยกเว้นอยู่เสมอ ความท้าทายวันนี้คือปริมาณที่มหาศาลของข้อยกเว้น การจัดส่งล่าช้าเพียงอย่างเดียวอาจไม่จำเป็นต้องแทรกแซง เช่นเดียวกับการทดสอบห้องปฏิบัติการที่ล้มเหลวครั้งเดียวหรือการตรวจสอบที่พลาดหนึ่งครั้ง แต่ AI เก่งในการระบุรูปแบบที่มนุษย์มักมองข้าม

ลองพิจารณาซัพพลายเออร์ที่เริ่มประสบกับ:

• การเพิ่มขึ้นเล็กน้อยของข้อบกพร่องคุณภาพ
• ระยะเวลาการตรวจสอบที่ยาวนานขึ้น
• ความล่าช้าโลจิสติกส์เล็กน้อย
• ข้อผิดพลาดในการจัดทำเอกสารเพิ่มขึ้น
• ระยะเวลาการแก้ไขที่ยาวนานขึ้นพร้อมแผนการแก้ไขของโรงงาน

เหตุการณ์เหล่านี้แต่ละอย่างไม่ได้บ่งบอกถึงการหยุดชะงักที่กำลังจะเกิดขึ้น อย่างไรก็ตามเมื่อรวมกันอาจสื่อถึงประสิทธิภาพการดำเนินงานที่เสื่อมถอย ซึ่งอาจนำไปสู่การพลาดกำหนดการผลิตหรือการไม่ปฏิบัติตามกฎระเบียบในอนาคต

การตรวจจับแนวโน้มแบบนี้เป็นจุดที่ AI แสดงคุณค่าที่สูงสุด ไม่ใช่การตอบสนองหลังจากปัญหาเป็นที่มองเห็นแล้ว แต่องค์กรสามารถระบุความเสี่ยงที่กำลังเกิดขึ้นขณะการแก้ไขยังคงมีค่าใช้จ่ายค่อนข้างต่ำ

ตามข้อมูลของ National Institute of Standards and Technology (NIST) การจัดการความเสี่ยงที่มีประสิทธิภาพต้องอาศัยการเฝ้าติดตามระบบอย่างต่อเนื่องและการระบุความเสี่ยงที่กำลังเกิดขึ้นก่อนที่มันจะกลายเป็นปัญหาที่สำคัญ การใช้หลักการเดียวกันนี้กำลังถูกนำไปใช้ในห่วงโซ่อุปทานมากขึ้น ซึ่งการมองเห็นเชิงพยากรณ์ทำให้องค์กรสามารถเปลี่ยนจากการตอบสนองเชิงปฏิกิริยาไปสู่การตัดสินใจเชิงรุก นอกจากนี้ Cybersecurity and Infrastructure Security Agency (CISA) แนะนำให้มีการเฝ้าติดตามอย่างต่อเนื่องและการประเมินผลอย่างต่อเนื่องเป็นแนวปฏิบัติพื้นฐานเพื่อเสริมความยืดหยุ่นของห่วงโซ่อุปทาน การนำหลักการเหล่านี้มาประยุกต์ใช้กับ AI ทำให้องค์กรสามารถระบุความเสี่ยงด้านปฏิบัติการที่กำลังเกิดขึ้นได้เร็วขึ้นและเปลี่ยนจากการตอบสนองเชิงปฏิกิริยาไปสู่การตัดสินใจเชิงรุก

มองภาพรวมตลอดวงจรชีวิตของผลิตภัณฑ์

ความเสี่ยงในห่วงโซ่อุปทานมักไม่เริ่มต้นที่จุดที่มันปรากฏให้เห็น การตัดสินใจจัดหาในช่วงการพัฒนาผลิตภัณฑ์อาจส่งผลต่อประสิทธิภาพการผลิตหลายเดือนต่อมา การเปลี่ยนแปลงวัสดุอาจมีผลต่อผลลัพธ์คุณภาพ ผลการตรวจสอบคุณภาพอาจมีผลต่อการปฏิบัติตามกฎศุลกากร ปัญหาการปฏิบัติตามอาจทำให้การขนส่งล่าช้า และความล่าช้าของการขนส่งอาจลดความพร้อมของผลิตภัณฑ์ในช่วงเวลาขายสูงสุด

ความสัมพันธ์เหล่านี้จะปรากฏชัดเจนเฉพาะเมื่อองค์กรวิเคราะห์ข้อมูลตลอดวงจรชีวิตทั้งหมดแทนที่จะจำกัดอยู่ในซิลโล่ของแต่ละฟังก์ชัน สิ่งนี้ต้องการโมเดล AI ที่สามารถเข้าใจความเชื่อมโยงระหว่างการออกแบบ การจัดหา การผลิต คุณภาพ การปฏิบัติตามกฎระเบียบ และโลจิสติกส์ แทนการพิจารณาแต่ละขั้นตอนแยกกัน เมื่อองค์กรทำกระบวนการเหล่านี้ให้เป็นดิจิทัล AI จะเข้าถึงข้อมูลประวัติศาสตร์ที่สมบูรณ์ยิ่งขึ้น ทำให้การพยากรณ์ของมันมีประโยชน์อย่างมากเมื่อเทียบกับที่สร้างจากชุดข้อมูลการดำเนินงานที่แยกกัน

ประวัติศาสตร์ล่าสุดมักสำคัญกว่าข้อมูลขนาดใหญ่

ความเข้าใจผิดทั่วไปเกี่ยวกับ AI คือชุดข้อมูลที่ใหญ่ขึ้นจะให้การพยากรณ์ที่ดีกว่า ในการจัดการความเสี่ยงของห่วงโซ่อุปทาน ความเกี่ยวข้องมักสำคัญกว่าปริมาณ ความชอบของผู้บริโภคเปลี่ยนแปลง เครือข่ายผู้จัดหาปรับตัว กฎการค้าเปลี่ยนแปลง และรูปแบบการซื้อในแต่ละฤดูกาลผันผวน ข้อมูลประวัติศาสตร์จากห้าหรือสิบปีที่แล้วอาจมีคุณค่าทางการพยากรณ์น้อยต่อสภาพแวดล้อมการจัดหาปัจจุบัน

ดังนั้นหลายองค์กรจึงให้ความสำคัญกับประวัติการดำเนินงานล่าสุด (โดยทั่วไปหลายฤดูกาลที่ผ่านมา หรือไม่กี่ปีที่ผ่านมา) เพื่อจับรูปแบบที่ยังคงเป็นตัวแทนของประสิทธิภาพผู้จัดหาและสภาวะตลาดในปัจจุบัน วิธีการนี้ช่วยลดสัญญาณรบกวนและเพิ่มความแม่นยำของโมเดลพยากรณ์

องค์การ Organisation for Economic Co-operation and Development (OECD) ได้เน้นเช่นเดียวกันว่าการทำงานของ AI ที่มีประสิทธิภาพต้องอาศัยข้อมูลที่มีคุณภาพสูงและเกี่ยวข้อง ไม่ใช่เพียงชุดข้อมูลที่ใหญ่กว่า

ความเชี่ยวชาญของมนุษย์กำหนดว่า AI ควรเรียนรู้อะไร

หนึ่งในความเข้าใจผิดที่ใหญ่ที่สุดเกี่ยวกับ AI คือว่ามันจะมาแทนที่ผู้เชี่ยวชาญที่มีประสบการณ์ อย่างไรก็ตามในความเป็นจริง AI ที่มีประสิทธิภาพพึ่งพาความเชี่ยวชาญของมนุษย์อย่างมาก ห่วงโซ่อุปทานแตกต่างอย่างชัดเจนตามอุตสาหกรรม ประเภทสินค้า ภูมิภาคการจัดหา และสภาพแวดล้อมทางกฎระเบียบ ผู้ค้าปลีกเสื้อผ้ามีความเสี่ยงการดำเนินงานที่ต่างจากผู้ผลิตอิเล็กทรอนิกส์ บริษัทเครื่องสำอางประเมินผู้จัดหาแตกต่างจากห่วงโซ่อาหารสำเร็จรูป AI ไม่สามารถกำหนดลำดับความสำคัญเหล่านี้ได้โดยอิสระ

องค์กรต้องกำหนดก่อนว่า:

• KPIs ใดที่สำคัญที่สุด
• อะไรถือเป็นความเสี่ยงที่ยอมรับได้
• สัญญาณใดบ่งบอกถึงแนวโน้มที่มีความหมาย
• เหตุการณ์ใดควรถือเป็นสัญญาณรบกวนทางสถิติ

ตัวอย่างเช่น ความล่าช้าในการขนส่งที่เกิดจากสภาพอากาศเป็นเหตุการณ์เดียวอาจไม่จำเป็นต้องเร่งระดับขึ้น การล้มเหลวของห้องปฏิบัติการซ้ำซ้อนที่เกี่ยวข้องกับผลิตภัณฑ์คล้ายกันจากหลายโรงงานแทบจะต้องได้รับการเร่งระดับ ความแตกต่างเหล่านี้ต้องอาศัยความรู้เฉพาะด้าน

AI ขยายความเชี่ยวชาญนั้นโดยการเฝ้าติดตามตัวแปรหลายพันตัวอย่างต่อเนื่องและระบุความสัมพันธ์ที่มนุษย์จะตรวจจับได้ยากโดยการทำมือ. ตามที่ National Institute of Standards and Technology ระบุใน AI Risk Management Framework, AI ที่เชื่อถือได้ต้องอาศัยการกำกับดูแลของมนุษย์ การบริหารจัดการ และบริบท — ไม่ใช่การตัดสินใจอัตโนมัติ.

เกินขอบเขตของโซลูชันจุดเดียว

สนามการแข่งขัน AI ยังคงขยายตัวอย่างรวดเร็วโดยไม่มีใครเทียบได้ องค์กรสามารถซื้อเครื่องมือ AI เฉพาะด้านสำหรับการพยากรณ์ การตรวจสอบ การเฝ้าติดตามผู้จัดหา การเพิ่มประสิทธิภาพโลจิสติกส์ การจัดการการปฏิบัติตามกฎระเบียบ การรายงานความยั่งยืน และการพัฒนาผลิตภัณฑ์ แต่ละแอปพลิเคชันตอบสนองต่อความท้าทายที่สำคัญ

ข้อจำกัดคือโซลูชันจุดเดียวแต่ละตัวสามารถมองเห็นเพียงส่วนหนึ่งของความเป็นจริงในการดำเนินงาน แพลตฟอร์มการตรวจสอบไม่สามารถเข้าใจการตัดสินใจจัดหาได้อย่างเต็มที่ แพลตฟอร์มโลจิสติกส์ไม่สามารถประเมินการเปลี่ยนแปลงในการพัฒนาผลิตภัณฑ์ได้ แพลตฟอร์มการปฏิบัติตามกฎระเบียบไม่สามารถระบุแนวโน้มคุณภาพที่เกิดขึ้นในขั้นตอนต้นได้

เมื่อองค์กรพัฒนากลยุทธ์ AI ของตน ความได้เปรียบเชิงแข่งขันจะมาจากการเชื่อมโยงข้อมูลเชิงลึกเหล่านี้ แทนการเพิ่มจำนวนแอปพลิเคชัน AI ที่แยกจากกัน การมองเห็นแบบครบวงจรทำให้องค์กรสามารถระบุความเสี่ยงเชิงซ้อนที่เกิดขึ้นข้ามฟังก์ชันต่าง ๆ แทนการมองว่าการหยุดชะงักแต่ละครั้งเป็นเหตุการณ์แยกส่วน

ขั้นตอนต่อไปของ AI ในห่วงโซ่อุปทาน

การสนทนาเกี่ยวกับ AI กำลังค่อย ๆ เปลี่ยนแปลงไป แทนที่จะถามว่า AI สามารถทำงานบางอย่างโดยอัตโนมัติได้หรือไม่ องค์กรชั้นนำกำลังเริ่มถามว่า AI สามารถช่วยให้เข้าใจความเสี่ยงทางธุรกิจที่เชื่อมโยงกันได้หรือไม่ สิ่งนี้เป็นการพัฒนาที่สำคัญ ห่วงโซ่อุปทานไม่เคยขาดข้อมูล แต่ขาดบริบท

อนาคตจะเป็นของระบบ AI ที่สามารถแปลงสัญญาณการดำเนินงานที่แยกจากกันเป็นพัน ๆ สัญญาณให้เป็นข้อมูลเชิงปัญญาที่สอดคล้องและนำไปปฏิบัติได้ ซึ่งช่วยให้การตัดสินใจทำได้เร็วขึ้นและมั่นใจมากขึ้น

เป้าหมายไม่ใช่การขจัดความไม่แน่นอน ห่วงโซ่อุปทานระดับโลกจะเผชิญกับการหยุดชะงักเสมอ เป้าหมายคือการระบุรูปแบบที่มีความหมายตั้งแต่เนิ่น ๆ เพื่อให้องค์กรมีทางเลือก เพราะในสภาพแวดล้อมการดำเนินงานของวันนี้ สัญญาณเดียวมักไม่พอ ความได้เปรียบที่แท้จริงมาจากการเข้าใจว่าทุกสัญญาณเชื่อมต่อกับสัญญาณต่อไปอย่างไร